JP4790864B2 - センサの状況依存信頼性についての学習と推論 - Google Patents

Description

コンピュータ主導のシステムは、一連のセンサを利用して幹線フローシステムを監視する。一般に、動脈流システムは、管、コンベヤ、または他の導管を通る液体、気体、または粒状材料の動きを記述する。都市または地理的地域の街路を通る交通の動きを、この動脈システムとして見ることもできる。都市を通る自動車および他の車両の流れは、種々のタイプまたは一連のセンサを使用して追跡可能である。収集されたセンサデータを、交通流システムが利用して、交通の動きを監視することが可能である。

交通流システムは、路線計画および道路設計を含む様々な目的のために利用できる。例えば、交通の流れを監視して、ボトルネック状態を検出および予測することが可能である。交通システム等の幹線フローシステムにおけるボトルネックの識別により、材料の分散およびボトルネックの緩和が可能になる。加えて、ボトルネックになりやすい道路区分の識別により、将来の交通流の計画または既存の車道の修正（例えば、既存の２車線道路を４車線道路に拡張する）を支援できる。

交通流は、様々なセンサを利用して監視することが可能である。特に、ほとんどの通勤者が仕事と家との間を移動中のラッシュ時間中、ほとんどの大都市の交通が、ヘリコプタ、戦略的に設置されたカメラおよび／または交通上の出来事の通勤者レポートを使用して、監視される。加えて、特にかなり交通量の多い道路は、交通の流れを監視するよう設計された圧力センサのネットワークを含むことが可能である。通勤者には、ラジオまたはテレビで放送される交通レポートを介して通勤のルートを計画するのに必要な交通情報が提供される。交通情報はまた、インターチェンジまたは他の問題のある領域に近づいている走行者に警告を出す電光標識を介して表示できる。標識は、センサにより検出された交通の密度と速度に基づく、走行時間の予測をさらに含みうる。提供された交通情報により、運転者は、ボトルネックを避けて走行時間を最小にする、自分の通勤を計画することができる。

交通流を監視または予測する交通流情報およびシステムの有効性は、センサから受信されるデータの有効性に依存する。一般に、多数のセンサを使用して、システムの現在の流れを推定または計算し、かつ、将来の流れを予測する。しかし、多数のセンサにより収集されたデータを利用するシステムにおいてさえ、無効なセンサ情報が、交通流システムの性能の劣化をもたらし得る。

以下は、請求される主題のいくつかの態様の基本的理解を提供するために簡略化した要約を提示する。この要約は、広範囲の概説ではなく、重要な／重大な要素を識別すること、または、請求される主題の範囲を明らかに描出することを意図していない。その唯一の目的は、後に提示されるより詳細な記述の前置きとして、簡略化した形式でいくつかの概念を提示することである。

コンピュータ主導の路線計画アプリケーションおよび他の交通流システムは、毎日利用され、通行の計画、通勤の計画等でユーザの助けになる。これらのフローシステムは、多くの場合、一連のセンサから受信されるデータに依存する。システムは、固定または静止のセンサ（例えば、圧力センサおよびビデオカメラ）、交通流（例えばＧＰＳ）と共に動く車両に連結されたセンサ、および、交通レポートまたは任意の他の交通流の標識を含む、様々なセンサの方法を使用して取得する情報を利用できる。そのようなセンサの信頼性と精度は、センサのタイプによって変わる。機械の故障または他の異常は、不正確なセンサデータをもたらしかねない。無効または不正確なセンサデータを利用する路線計画または他の交通流システムが、正確な結果を生むことは疑わしい。

本明細書は、その一態様において、センサデータを監視し不正確なセンサデータを識別して、無効または不正確なセンサデータを最小限度にする、または軽減することを開示する。疑わしいセンサデータは、タグを付加する、および／または、交通流システムが利用するデータセットから除去することができる。加えて、警告を発し、システムオペレータに、識別され劣化したセンサデータに関連するセンサ（単数または複数）の故障の可能性を通知することができる。

センサの品質は、経時的に関連するシステムのコンポーネントを監視する他のセンサと併せて、経時的なセンサからの信号に部分的に基づいて識別し分類できる。例えば、センサの故障の表示は、システムにおいて一般的にはよく変化が見られるセンサの値が、一定期間にわたって無変化であることに由来し、そのような変化は、閉じた管または容器を通る流れを推測することにより、評価するセンサに近接したセンサから受信するセンサデータにより感知できる。先に取得したセンサデータを評価して、現在のセンサデータが、非典型的であるか、通常と異なるか、不変であるか、および、従って１つまたは複数の種類の故障、例えば、継続的な安定性の不具合、間欠的な型通りの故障、および確率としてエラーを来すより複雑な故障など、に基づく可能性が高いのか、を判定することが可能である。

センサ品質を、交通流表現および現在の状況（例えば、時刻、曜日、気象条件、場所、動き等）の状況的特徴に基づき、評価および予測し、劣化したセンサデータの尤度を判定することが可能である。交通流表現を使用して、期待されるセンサデータを判定し、期待されるデータの範囲外のセンサデータを識別する（例えば、動的閾値および／または所定の閾値に基づき）ことが可能である。加えて、交通流表現は、状況に基づき動的に変化して、精度を高めることが可能である。確率的モデルは、個々のセンサの精度を示すヒューリスティックなデータまたは他のデータに基づき、健全であろうと思われるそのセンサについて各センサに割り当てたラベルを含む、センサの挙動について経時的に収集したデータセットから、センサの健全性を自動的に推論するように構成できる。

前述の関連する目的を達成するために、以下の記述および付属の図面と関連して、特定の例示的態様を本明細書で記述する。しかし、これらの態様は、請求される主題の原理を採用することのできる種々の方法をほんの数例示すものであり、請求される主題は、全てのそのような態様およびその等価物を含むことを意図している。他の利点および新規の特徴は、図面と併せて考察したときに、以下の詳細な説明から明らかになるであろう。

本明細書に記載の主題に従う、状況的データに少なくとも部分的に基づきセンサ性能を評価する、センサ監視システムのブロック図である。 本明細書に記載の主題に従う、センサ監視システムのブロック図である。 本明細書に記載の主題に従う、センサ監視システムのブロック図である。 本明細書に記載の主題に従う、センサの劣化の通知を提供するセンサ監視システムのブロック図である。 本明細書に記載の主題に従う、センサの故障を予測するセンサ監視システムのブロック図である。 内容が状況の変化と共に変わる交通システム表現を構築／改良するためのシステムのブロック図である。 本明細書に記載の主題に従う、センサデータの劣化を識別するための方法の代表的なフロー図である。 本明細書に記載の主題に従う、センサデータの劣化を通知するための方法の代表的なフロー図である。 本明細書に記載の主題に従う、センサの劣化を推測するための方法の代表的なフロー図である。 適切な動作環境を例示する概略ブロック図である。 サンプルのコンピュータ環境の概略ブロック図である。

ここで、標記発明を、図面を参照して説明する。そこでは全体を通して同様の要素を参照するためには同様の参照番号を使用する。以下の記載において、説明の目的で、請求される主題を完全に理解するために特定の詳細を多数記述する。しかし、そのような主題が、これらの特定の詳細なしで実践され得ることは明らかであろう。他の例において、周知の構造および装置が、標記発明の説明を容易にするためにブロック図の形式で示される。

本出願にて使用されるとき、用語「コンポーネント」および「システム」は、コンピュータ関連のエンティティ、ハードウェア、ハードウェアとソフトウェアとの組合せ、ソフトウェア、または、実行中のソフトウェアのいずれかを参照することが意図される。例えば、コンポーネントは、処理装置上で稼働中の処理、処理装置、オブジェクト、実行ファイル、実行のスレッド、プログラム、および、コンピュータであってもよいが、これに限定されない。例示として、サーバ上で稼動するアプリケーションおよびサーバの両方が、コンポーネントであってもよい。１つまたは複数のコンポーネントは、処理および／または実行のスレッド内に存在してもよく、コンポーネントは、１つのコンピュータ上に局在してもよく、および／または、２つまたはそれ以上のコンピュータ間に分散してもよい。単語「例示の」は、本明細書において、例、事例または例示として機能することを意味するために使用する。本明細書において「例示の」として記載する任意の態様または設計は、必ずしも、他の態様または設計を超えて好ましい、または有利であるものとは解釈しない。

さらに、請求される主題の態様は、標準のプログラミングおよび／または工学技術を使用して、コンピュータを制御して標記発明の種々の態様を実装するためのソフトウェア、ファームウェア、ハードウェア、または、その任意の組合せを製造する、製造の方法、装置または物品として実装してもよい。用語「製造物」は本明細書で使用するとき、任意のコンピュータ可読デバイスからアクセス可能なコンピュータプログラム、キャリア、または媒体を包含することを意図している。例えば、コンピュータ可読媒体は、磁気記憶デバイス（例えば、ハードディスク、フロッピーディスク、磁気ストリップなど）、光ディスク（例えば、ＣＤ（ｃｏｍｐａｃｔ ｄｉｓｋ）、ＤＶＤ（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ）など）、スマートカード、および、フラッシュメモリデバイス（カード、スティック、キードライブなど）を含むが、これに限定しない。加えて、搬送波を採用して、電子メールを送受信する際に使用するもの、または、インターネットまたはローカルエリアネットワーク（ＬＡＮ）等のネットワークにアクセスする際に使用するもの等の、コンピュータ可読電子データを搬送できることは理解されるべきである。もちろん、当業者は、本明細書の記述の範囲または精神から逸脱することなく、この構成に多くの修正を加えることができることを認識するであろう。

ここで、図複数の１を参照する。状況依存のシステムのセンサデータおよび／またはセンサ性能における劣化を検出するセンサ監視システム１００を例示する。センサ監視システムは、交通流システム等の広範囲の様々な幹線フローシステムと組み合わせて利用し、そのようなシステムの信頼性を向上させることができる。交通流システムは、典型的には、複数のセンサで収集したデータを利用する。センサデータの分析により、重大な情報を交通システムに提供することが可能である。従って、センサデータの精度および信頼性は、そのようなシステムにとって重要である。

センサ監視システム１００は、センサデータを１つまたは複数のセンサ１０２〜１０６から、要求、受信および／または取得することができる。センサインターフェースコンポーネント１０８は、利用されて、交通システム（または、本明細書に記載する概念を採用できる他の適切なシステム）の状態を判定する複数のセンサ１０２〜１０６に通信可能に連結できる。センサ１０２〜１０６は、道路区分に埋め込んで、領域の交通流率および／または車両の数を判定するのに利用する、圧力センサを含む。センサ１０２〜１０６はまた、衛星画像およびビデオカメラ（例えば、固定カメラや、ヘリコプタ、飛行船等に搭載するカメラ）を含むがこれに限定されない、視覚的画像センサを含んでもよい。センサ１０２〜１０６は、加えて、交通事象を記載するウェブサイト、および、ある領域内の交通を監視するラジオ放送局に関連づけることができる。さらにセンサ１０２〜１０６は、ＧＰＳ受信機、速度計等の、個々の車両に関連するセンサを含んでもよい。交通流を監視するために、バス、タクシー、および輸送車等の車両群を使用できる。

センサはまた、携帯用デバイス（携帯用デバイスとは、ネットワークへの接続が維持可能な任意の適切なデバイスであり得る）、例えば、ＰＤＡ（ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、スマートフォン、携帯電話、ラップトップコンピュータ等、に装着しても、または含めてもよい。携帯用デバイスセンサは、位置センサ、速度センサ、または、他の有用なセンサを含んでもよい。さらに詳細には、センサは、ＧＰＳ受信機、速度計および加速度計を含んでもよい。携帯用デバイスのユーザが移動すると、センサからのデータが、センサインターフェースコンポーネント１０８により受信可能である。歩行者交通も、車両交通と同様、携帯用センサデバイスを使用して監視できる。

センサインターフェースコンポーネント１０８は、あらかじめ定義したセンサからデータを受信することができる。あるいは、アドホックなセンサのセットを使用して、センサインターフェースコンポーネント１０８に提供したセンサデータを収集することが可能である。例えば、センサインターフェースコンポーネント１０８は、自分たちの位置情報を提供することを選択した、携帯電話のユーザからのセンサデータを受信することができる。

センサインターフェースコンポーネント１０８は、センサデータを継続して受信するように構成できる。あるいは、センサインターフェースコンポーネント１０８は、センサデータを、同時にまたは定期的に取得することが可能である。センサインターフェースコンポーネント１０８は、交通流システムで使用するようにデータをフォーマット化できる。センサインターフェースコンポーネント１０８は、異種のセットのセンサから受信したセンサデータ（例えば、ＧＰＳから受信したデータおよびビデオ監視から受信したデータ）を統合することが可能である。

センサデータおよび／またはセンサ性能は、無数の原因により劣化し得る。単純な機械的異常は、センサが無効なデータを生成する原因となりかねない。例えば、機械的な欠陥または通常の損耗でさえ、圧力センサまたはビデオカメラが機能しない原因となる。頻繁に、センサは、非常に様々な、温度、湿度、過剰な振動および一般的な損傷に曝される。センサが適正に機能していても、センサを装着した車両が機械的異常を被ると、無効なセンサデータの原因になってしまう。例えば、オーバーヒートし、路肩に寄った車の中のＧＰＳセンサは、交通がその道路区分上で止まってしまったことを示しているようにみえるであろう。交通流を正確に記録しているセンサがすぐ近くにあっても、止まった車両のセンサからのデータは交通流システム性能に影響することがある。

性能の劣化は、間欠的誤差および／または微少な誤差から、センサが不正確なデータを生成する完全な故障までさまざまである。一般的には、全体的な故障は簡単に識別可能である。例えば、月曜の朝のラッシュ時間中の任意の交通を記録できないセンサは、難なく識別できる。しかし、間欠的エラーまたは微少なエラーは検出が難しいにもかかわらず、センサデータに依存する交通流システムに累積的に影響を与えかねない。

センサ監視システム１００は、センサデータに関連づけられた状況を分析する状況分析コンポーネント１１０をさらに含むことができる。例えば、状況分析コンポーネント１１０は、データが記録された時刻を分析可能である。加えて、状況分析コンポーネント１１０は、曜日（その日が休日であるかどうか）、現在または予報の気象条件、現在の道路状態（例えば、事故が報告されているか、どこで事故が報告されているたか）、および、任意の他の適切な状況的データ、に関する情報を判定または受信することが可能である。センサ監視システム１００は、状況的データに少なくとも部分的に基づき、センサ性能を評価することができる。

センサ監視システム１００は、センサ１０２〜１０６から受信したデータを分析し、性能が劣化している、または故障しているセンサを識別する、センサ分析コンポーネント１１２を含んでもよい。センサ分析コンポーネント１１２の分析は、センサから受信した前のデータ、評価しているセンサ近くのセンサから記録されたデータ、および／または、状況的情報、に基づくことができる。データが収集される状況または状態を使用して、読み込みをしているセンサが、妥当であるか、または、疑わしい所与の他のセンサおよび状況的情報であるかどうかを判定できる。例えば、大交通量を示すセンサデータは、特定の道路区分上でラッシュ時間中に予測範囲の値内であれば良いが、日曜日の３時に記録されれば疑わしい。センサ分析コンポーネント１１２は、大規模な事象（例えば、スポーツイベント、文化的イベント）の発生、天気、事故、自然言語での交通レポート、車線または道路の通行止め、過去の情報等を含む、センサ分析中の種々の状況的事象を考察できる。

センサ分析コンポーネント１１２は交通システム表現１１４にアクセスでき、交通システム表現１１４は可能性の高い交通流を記載し、状況変化と共に変わる。特別な例において、交通システム表現１１４は、重み付きグラフであるか、および／または重み付きグラフを含むことができる。重み付きグラフではグラフの節点が交差点を表し、境界が交差点間の道路区分を表し、それに関連する重み付けが道路区分／交差点の平均走行速度または交通量を表す。重み付けは、状況の変化に伴って変化する。例えば、１日のうちの第１の時刻に第１の重み付けを道路区分に与え、１日のうちの第２の時刻に第２の重み付けを同じ道路区分に与えることができる。従って、交通システム表現１１４は、１日のうちの所与の異なる時刻（例えば、ラッシュ時とラッシュでない時間）、曜日（例えば、平日と週末）、気象条件（例えば雨と晴れ）、および他の適切な状況的データで、交通流がどのように変わるかを表すことが可能である。

そのような情報は、交通の現在のフローと将来のフローの予測とを提供するモデルにおいて、直接使用できる。さらに一般的には、故障を起こしやすいセンサのデータベースを作成し、状況的情報と結合させることが可能であり、このデータベースは、各センサに対して、経時的な近くのセンサの値の観察に基づき、各センサの健全性を予測するモデルの、機械学習方法を介した構築において使用できる。

交通システム表現１１４に関してさらに詳細には、道路区分でのフロー（例えば、交通が動いているまたは動くことが期待されている、方法）は、フロー全体にわたる確率分布により表され得、これらの確率分布は、時刻、曜日、カレンダ情報、早い時間に見られたフロー、および／または、交通システムの他の部分におけるフロー等の状況的観察の関数であり得る。確率的予測モデルは訓練され得、それにおいて、モデルは、交通システム全体の現在のフローを採り、交通システムの将来のフローについての予測を計算する、多数の予測方法のうちの１つを採用するものであって、将来のフローの予測は異なる状況について対象とされる。センサデータは、現在のセンサ状況と同程度の状況に対する予測に関して評価され得る。変化が、同一の状況においても予測される一方、エラーの確率が、予測される交通流からの変化の関数として生成される。

センサ分析コンポーネント１１２は、確率モデルを利用できる。経時的な予想および予測のために、いくつかの弁別的または生成的統計手法を採用することができる。これらの方法は、サポートベクターマシン等の統計的分類子、ベイジアン機械学習の分野内のベイジアン構造探索の使用、動的ベイジアンネットワークと関連する隠れマルコフモデル（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）の学習と使用、連続時間ベイジアンネットワーク（Ｃｏｎｔｉｎｕｏｕｓ Ｔｉｍｅ Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋｓ（ＣＴＢＮ））、ならびに、一時的なベイジアンモデル、およびＡＲＭＡ予測モデルやＡＲＩＭＡ予測モデルとして既知のモデルを採用する時系列の方法の群、を含む。

センサ監視システム１００は、路線計画をシステム等の１つまたは複数の交通流システム（図示せず）に提供できる。センサデータは、センサ監視システム１００のデータ出力コンポーネント１１６により交通流システムへ提供できる。データ出力コンポーネントは、劣化していると識別されたデータを含む、センサ１０２〜１０６から受信した全てのセンサデータを提供できる。疑わしい、または問題のあるデータをマークしまたはタグをつけて、路線計画システムが、劣化の可能性の高いデータの使用をしない、および／または、最低限に抑えることができるようにする。あるいは、センサデータは、データ出力コンポーネント１１６でフィルタし、交通流システムが、劣化していると識別したデータを受信しないようにする。さらに、データ出力コンポーネント１１６は、特定のセンサデータをフィルタし、他のセンサデータを疑わしいものとしてマークすることが可能である。データ出力コンポーネント１１６は、劣化している可能性が高いデータを除去できるが、一方で、疑わしいと識別されたが無効ではなさそうなデータは提供する。

作成コンポーネント１１８は、機械学習を採用して、センサの出力を予測および／または解釈するのに使用される、少なくとも１つのモデルを構築する。このモデルはエラーモデルおよび／または故障モデルを含む。機械学習を介したモデルの作成を使用して、そのエラーモデルまたは故障モダリティを含む、センサの出力を予測または解釈することができる。機械学習を用いるそのようなモデルの作成は、関連の状況的データに加えて、起こる可能性のあるセンサ故障データのライブラリの記憶に依存して、任意のセンサに適用できる予測モデルを作成する。そのような事例のライブラリは、センサの潜在的に異常な出力の履歴を捕捉し、潜在的な故障についてのこのデータを、時刻、曜日、交通システムの部分について登録された交通流の統計、センサのタイプと銘柄、電流センサと直列に存在する近接したセンサ等の、他の観察と連結させる。構成されたモデルは、実時間で適用されて、誤ったデータを使用するために適用できる出力の確定関数および確率関数を含む、センサの信頼性を解釈することが可能である（例えば、このセンサは、価値ある情報を提供できるが、リスケーリングが必要である、など）。作成コンポーネント１１８は、確率モデルを構築して、証拠および起こりえる故障のライブラリに基づき、センサ故障を予測することが可能である。

作成コンポーネント１１８は、データから学習し、次に本明細書に記述する種々の自動化された態様の実装に従って、そのように構成したモデルから出力するセンサ出力を、予測および／または解釈するための１つまたは複数の方法を機械学習および機械推論することを含む（そのモデルには、例えば、隠れマルコフモデル（ＨＭＭ）および関連するプロトタイプの依存モデル、例えば、ベイジアンモデルのスコアまたは近似値を使用して構造探索により作成される、ベイジアンネットワーク等の、さらに一般的な確率的グラフィックモデル、サポートベクターマシン（ＳＶＭ）等の線形分類器、「ニューラルネットワーク」方法論として参照される方法等の非線形分類器、ファジー理論、並びにデータ融合を実行する他のアプローチが含まれる）。

方法には、また、定理証明器またはさらなる発見的規則に基づく専門システム等の、論理関係の捕捉のための方法も含まれる。そのような学習されたまたは手動で構築されたモデルに由来する推測は、いくつかのオブジェクトの機能を最大化しようとする、線形および非線形のプログラミング等の、最適化手法に採用できる。

図２では、センサ監視システム２００が例示される。センサ監視システム２００は、複数のデータソース２０２〜２０６から状況データを受信、要求、および／または、取得することが可能である。データソース２０２〜２０６は、任意の適切なデータソースであり得る。例えば、データソース２０２は、現在の／予報の気象条件を記載するウェブサイトであり得る。別の例において、データソース２０２は、交通事故について公表するラジオ放送局であってもよく、そこで状況分析コンポーネント１１０は、そのような事故に関する特定の言葉を理解し解釈することが可能である。

ここで図３を参照する。図３はセンサ監視システム３００を例示する。システム３００は、センサ１０２〜１０６から以前受信したセンサデータを保持するセンサデータリポジトリ３０２をさらに含む。センサデータを分析して疑わしいセンサデータを識別する際、センサ分析コンポーネント１１２は、以前記録したセンサデータを利用することが可能である。これは、評価する特定センサから受信した以前のデータを含むことができる。センサデータリポジトリ３０２はまた、以前の劣化したセンサデータのレコードを保持することも可能である。以前提供された劣化データを有するセンサは、劣化データを提供しなかったセンサより信頼性に欠けるとみなされる。

図４を参照する。ここでは１つまたは複数のユーザおよび／またはオペレータにセンサの故障の可能性を通知する、センサ監視システム４００を例示する。あるセンサが無効または不正確なセンサデータを提供していると判定すると、警告または通知を提供することができる。センサ故障に関する情報は、中央集中型システムのオペレータによりセンサを管理または統制するシステムでは特に有益である。不正確なセンサデータに関する情報は、センサを交換または修理すべきかの判断に極めて有用である。

ユーザまたはシステムオペレータには、任意の妥当な方法でセンサデータの劣化を通知する。通知は、携帯電話に配信するショートメッセージサービス（ＳＭＳ）のテキストメッセージ、ボイスメール、電子メール、または任意の他の配信システムとして、送信できる。システム４００は、グラフィックユーザインターフェース（ＧＵＩ）（図示せず）を含むことができ、その場合、センサ故障の通知は、エラーの可能性を示すフラグまたは視覚的合図として現れる。通知は、センサが不正確だったと思われる時間の長さ、センサ性能が許容レベル以下に劣化した可能性、および、オペレータに有益な任意の他の情報を含めることができる。

図５を参照する。ここではセンサ故障を予測するセンサ監視システム５００を例示する。センサ監視システム５００はさらに、センサの性能劣化または故障を予測するセンサ故障予測コンポーネント５０２を含むことができる。センサ故障予測コンポーネント５０２は、センサ性能をある期間にわたって分析し、将来、センサが故障するかまたは許容可能な範囲を超える可能性を評価する。センサ故障の予測は、センサ性能、センサ寿命および／またはセンサ状況（例えば、極端な気象条件、過剰な使用等）に基づくことが可能である。機械学習システムを利用して、起こりそうな故障、および、全体のシステムの信頼性に与えられるその影響または衝撃を予測できる。

いくつかの弁別的または生成的統計手法の１つを採用して、センサ故障を経時的に推測することが可能である。これらの方法は、サポートベクターマシン等の統計的分類子、ベイジアン機械学習、動的ベイジアンネットワークと関連する隠れマルコフモデルの学習と使用、連続時間ベイジアンネットワーク（ＣＴＢＮ）、ならびに、一時的なベイジアンモデル、およびＡＲＭＡ予測モデルやＡＲＩＭＡ予測モデルとして既知のモデルを採用する時系列の方法の群を含む。

通知コンポーネント４０２は、システムのユーザまたはオペレータ４０４に、予測されたセンサ故障について通知することができる。オペレータ４０４には、センサ故障の予測時間、および／または、特定の期間内にセンサ故障が起こる確率を提供する。全ての利用可能なセンサに基づき、センサ故障予測コンポーネント５０２は、最も故障を起こしやすいセンサのリストを作成することが可能である。リストは、修理および／または交換のコスト、近接する他のセンサの数、他の近くのセンサの予測される故障、または任意の他の妥当な根拠、に基づき優先順位がつけられる。例えば、多数の近接するセンサが、ほぼ同時に故障することが予測される、と判定した場合、それらのセンサは、ある領域についての全てまたはほとんどのセンサデータの損失を回避するために、リスト上で優先順位を持ってもよい。

図６を参照する、ここでは、ロバストな交通システム表現を構築するためのシステム６００を例示する。システム６００は、感知された時系列データ６０４を含むデータリポジトリ６０２を含み、そのようなデータを複数のセンサ（例えば、交通システムを走行する運転者）から収集する。例えば、感知された時系列データ６０４は、交通システム（例えば、大都市の交通システム）内に複数の運転者が存在する、位置／速度判定センサ（ＧＰＳ受信器等）にアクセスすることにより、取得できる。センサからデータを生成するのに伴い、そのようなデータは、タイムスタンプと関連付けられる。従って、位置判定センサと関連づけられた各運転者のトレースログが生成され、感知した時系列データ６０４内に配置できる。区分けコンポーネント６０６を採用して、個々の道程がいつ停止および開始したかを判別することが可能である。自動車が閾値の時間、動きを止める時、自動車に関連付けられたセンサが記録を止めると、運転者が走ったほとんど（全てではなく）の個々の道程が、センサログに現れる時間の空白を検討することにより、区分けコンポーネント６０６で識別される。

交通システム表現１１４は、感知した時系列データ６０４に少なくとも部分的に基づいて構築／定義することができ、グラフであるかまたはグラフを含むことができ、グラフの節点が道路の交差点を表し、境界が道路区分を表す。一本の道路を多数の境界で表現してもよく、各道路区分（２つの交差点間の道路の切れ目のない最小の部分）は、グラフ内で別個の境界であってもよい。加えて、境界および節点は、それらが表す道路の緯度と経度に関連付けられる。感知した時系列データ６０４が個々の道程に分かれると、そのような道程は、任意の適切な方法を介して交通システム表現１１４へ「スナップ」できる。

トレースログを道路区分にマッピングすると、速度分析コンポーネント６０８は、交通システム表現１１４のグラフ内の境界／節点に異なる時間にわたって、異なる重みを関連付ける。例えば、速度分析コンポーネント６０８は、曜日を多数のカテゴリに分割し、そのようなカテゴリをいくつかのタイムスライスに分割することにより、道路の時間依存の交通速度を学習することができる。例示目的のため、速度分析コンポーネント６０８が、曜日を２つのカテゴリ、平日と週末、に分割すると仮定することが可能である。そしてそのようなカテゴリは、９６個のタイムスライス、１日２４時間にわたる時間の１５分ずつのブロック、に分割できる。しかし、速度分析コンポーネント６０８は、任意の仕分けの状況的データに関連付けられたカテゴリを作成できることが認識される。例えば、速度分析コンポーネント６０８は、気象条件、休日等に基づくカテゴリを作成することが可能である。

上記の例を続けると、速度分析コンポーネント６０８は、スナップされたトレース内の連続的なＧＰＳポイントの各対（Ａ、Ｂ）を検査することにより、各時刻および平日／週末分解の別個の平均速度を学習することが可能である。各対の間の運転者の平均速度を計算し、速度を利用して、ＡからＢに達するように横断するどの道路区分に対しても移動平均を作成することができる。速度計測は、速度計算に関与して収集されたデータのタイムスタンプの時間特徴と合致する時間特徴を持つ、時間のブロックに関連した移動速度に適用できる。従って、速度分析コンポーネント６０８は、種々の種類（時刻、曜日．．．）の道路区分に関連する速度を判定することが可能である。そして、速度分析コンポーネント６０８は、そのようなデータを交通システム表現１１４に関連付けし、境界と節点を、収集したデータに基づいて重み付けすることができる。

しかし、全てのカテゴリにわたって交通システム内の全ての道路のデータを取得することが不可能であることは理解されるであろう。従って、道路上での速度は、「類似する」道路区分の所定の既知の道路上での速度に一般化できる。さらに詳細には、一般化コンポーネント６１０は、交通システム表現１１４を分析し、各種類に対して収集されたデータと関連しない道路区分に速度値を提供することができる。例えば、いずれのデータも利用できない道路区分および時間区分に対して、一般化コンポーネント６１０は、隣接する時間ブロックにおける同じ道路区分に関連するスピードを割り当てることが可能である。隣接する時間ブロックに関連する速度がない場合、一般化コンポーネント６１０は、区分に、ある類似する道路からの速度、および／または、交通システム表現１１４内で道路分類により類似性を定義する、類似した道路からのシステム全体の速度平均を割り当てることが可能である。加えて、類似性は、制限速度、道路区分の地理的近接性、道路区分の地理的位置等を分析することにより判定できる。さらに、類似する道路を決められない、および／または、システム全体の速度平均が利用できない場合、時間区分に対する速度を、掲示する制限速度として定義することが可能である。さらに、一般化コンポーネント６１０は、機械学習技術／システムを利用して、交通システム表現１１４内のパターン／相関関係を学習し、学習されたパターン、相関関係および／または傾向に少なくとも部分的に基づき、平均の道路上での速度を道路区分に割り当てることが可能である。

道路区分全体の交通流および／または道路上での速度の表現を使用して、道路区分に関連するセンサに対するありそうなセンサデータを推定することができる。そのようなセンサにより収集された実際のセンサデータを、推定または推測されたセンサデータに対して評価することが可能である。予測された値から劇的に変化するセンサデータは、疑わしいと見なされる。

ここで図７から９を参照する。ここで、請求される主題に従う方法論を、一連の動作として記述する。請求される主題が動作の順番により限定されず、いくつかの動作が、本明細書に記述のものとは異なる順番で、および／または他の動作と同時に起こることを、理解および認識されたい。例えば、当業者は、方法論が、代替として、状態図におけるような、一連の相互に関係する状態および事象として表せることを、理解および認識するであろう。さらに、請求される主題に従う方法を実行するために、全ての例示される動作が要求されるわけではない。加えて、以下および本明細書全体を通して開示する方法論を製造物に格納して、そのような方法論のコンピュータへの移送および転送を容易にできることは、さらに理解されるべきである。用語「製造物」は、本明細書で使用するとき、任意のコンピュータ可読デバイスからアクセス可能なコンピュータプログラム、キャリア、または媒体を包含することが意図される。

図７を詳細に参照する。ここではセンサデータの劣化を検出するための方法を例示する。参照番号７０２において、複数のセンサからセンサデータを受信する。例えば、データは、道路区分に埋め込まれた圧力センサのセットから受信できる。あるいは、センサデータは、車両に連結したセンサから受信できる。例えば、バスシステムは、各バスに連結したセンサを含んで、現在の交通の流れを監視することが可能である。センサデータは、多数のセンサタイプから様々なフォーマットで記録される。

参照番号７０４において、センサおよび／またはフローシステムの現在の状態に関連する状況を分析する。現在の状況には、時刻、曜日、現在の気象条件等を含むことができる。状況は、カレンダ、時計、スポーツまたは文化的イベントを一覧にした事象カレンダ、天気予報等を含む種々のソースから、推測する。

参照番号７０６において、センサデータを評価し、劣化したセンサデータを識別できる。センサ性能は、第１のセンサから受信したデータと、評価するセンサに極めて近接する１つまたは複数のセンサから受信したデータを比較して、評価する。第１のセンサが近接するセンサから変わる場合は、センサが信頼できないことを示す。センサデータはまた、時刻、曜日等の状況情報に照らして分析する。例えば、交通センサは、週末の午前３時よりかなり高い、平日のラッシュ時間中の交通量を示すデータを生成することが期待される。

参照番号７０８において、分析されたセンサデータに少なくとも部分的に基づいて、センサデータを出力する。故障のセンサが生成したセンサデータは、路線計画システムが使用する前に識別し除去することができ、それにより、路線計画の正確さが増す。あるいは、全てのセンサデータを、路線計画システムに提供できる。しかし、疑わしいセンサに関連するセンサデータにはタグを付け、センサデータエラーの可能性を含めることもできる。センサデータの分析は、センサデータを利用する路線計画システムの信頼性を大いに向上させる。

図８を参照する。ここではセンサの劣化の通知を提供するための方法を開示する。参照番号８０２において、評価のためにセンサに関連するセンサデータを選択する。選択後、参照番号８０４においてセンサデータを分析し、センサデータが劣化したかどうかを確定する。センサデータの劣化を判定するために、近接するセンサ、予測されるセンサデータ、およびセンサ状況から受信したデータについて、センサデータを分析することができる。

参照番号８０６において、警告または通知をセンサデータに対して発するべきかどうかを判定する。判定は、センサデータの分析に基づく。例えば、判定は、センサ性能が劣化する確率に基づく。劣化の確率は、所定の閾値と比較し、確率が閾値より大きい場合、システムオペレータに通知することができる。通知を送信しない場合、参照番号８１２において処理を継続する。通知を送信する場合は、通知のメッセージが、参照番号８０８において生成される。通知は、疑わしいセンサデータを生成する１つまたは複数のセンサを識別し、疑わしいセンサデータが無効である確率を含むことができる。通知は、参照番号８１０にて、１つまたは複数のユーザまたはシステムオペレータに送信する。参照番号８１２において、評価すべき追加のセンサデータがあるかどうかを判定する。ある場合には、参照番号８０２の処理に戻り、そこでセンサデータを評価のために選択する。評価すべき追加のセンサデータが無い場合、処理は終了する。あるいは、全てのセンサデータを、通知を送信する前に評価することが可能である。全てのセンサデータの評価の後、劣化したセンサデータの全ての事例を一覧にした１つの通知を送信することができる。

図９を見る。ここではセンサ故障を予測するための方法を例示する。参照番号９０２において、以前記録したセンサデータが、選択したセンサに対して取得される。以前記録したデータを、参照番号９０４において分析する。センサデータにおける、およびセンサデータのエラーの確率における傾向を分析する。参照番号９０６において、分析したデータのほかに、センサのタイプ、センサの寿命、センサが作動する条件を含むセンサ情報に基づいて、センサの故障を予測する。あるいは、特定期間内のセンサ故障の確率が生成される。

参照番号９０８において、予測される故障が関連あるかどうかを判定する。関連性は、センサが故障していると予測される時間、または、センサが特定の期間内に故障するであろう確率に基づいて判定する。例えば、１ヶ月以内のセンサの予測される故障は、関連性があると考えられ、一方、５年間の予測される故障は、関連性がない。

予測される故障が関連性のないものの場合、参照番号９１４において、処理を継続する。予測される故障が関連性のあるものの場合、参照番号９１０において通知を作成する。通知は、予測される故障の日付および／または故障の確率を含んでもよい。参照番号９１２において、通知をシステムオペレータに送信する。システムオペレータは、センサのメンテナンスおよび／または交換の計画時、加えて予算計上の目的で、そのような通知を利用することができる。参照番号９１４において、再調査すべき追加のセンサがあるかどうかを判定する。追加のセンサがある場合、処理は参照番号９０２に戻り、以前記録したセンサデータを、選択したセンサに対して取得する。追加のセンサがない場合、処理は終了する。

種々の請求される主題の態様に追加コンテクストを提供するために、図１０および以下の検討では、種々の態様を実装できる、適切な動作環境１０１０の簡略な一般的説明を提供することが意図される。請求される主題は、プログラムモジュール等の、１つまたは複数のコンピュータまたは他のデバイスにより実行する、コンピュータ実行可能命令の一般的コンテクストで記述される一方、当業者は、本発明がまた、他のプログラムモジュールとの組み合わせにおいて、および／または、ハードウェアおよびソフトウェアの組合せとして、実装可能であることを認識するであろう。

しかし、一般に、プログラムモジュールは、特定のタスクを実行する、または、特定のデータ型を実装する、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造等を含む。動作環境１０１０は、適切な動作環境の単なる一例であり、本明細書に記述する使用範囲または特徴の機能性について、任意の限定を示唆することは意図されない。請求される主題と共に使用することに適切な、他の周知のコンピュータシステム、環境および／または構成は、パーソナルコンピュータ、ハンドヘルドデバイスまたはラップトップデバイス、マルチプロセッサベースのシステム、マイクロプロセッサベースのシステム、プログラム可能な家庭用電化製品、ネットワークＰＣ、ミニコンピュータ、メインフレームコンピュータ、上記のシステムまたはデバイスを含む分散コンピュータ環境等、を含むがこれに限定されない。

図１０を参照する。状況依存の道案内（ナビ）作成と関連して採用できる例示の環境１０１０は、コンピュータ１０１２を含む。コンピュータ１０１２は、プロセシングユニット１０１４、システムメモリ１０１６、およびシステムバス１０１８を含む。システムバス１０１８は、システムメモリ１０１６を含むがこれに限定されないシステムコンポーネントを、プロセシングユニット１０１４に連結させる。プロセシングユニット１０１４は、任意の種々の利用可能な処理装置であってもよい。デュアルマイクロプロセッサおよび他のマルチプロセッサのアーキテクチャも、プロセシングユニット１０１４として採用することが可能である。

システムバス１０１８は、メモリバスまたはメモリコントローラ、周辺機器用バスまたは外部バス、および／または、任意の様々な利用可能なバスアーキテクチャバスを使用するローカルバスを含む、任意のいくつかのタイプのバス構造であってもよい。任意の様々な利用可能なバスアーキテクチャバスには、８ビットバス、ＩＳＡ（Ｉｎｄｕｓｔｒｉａｌ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ）、ＭＣＡ（Ｍｉｃｒｏ−Ｃｈａｎｎｅｌ Ａｒｃｈｉｔｅｃｔｕｒｅ）、ＥＩＳＡ（拡張ＩＳＡ）、ＩＤＥ（Ｉｎｔｅｌｌｉｇｅｎｔ Ｄｒｉｖｅ Ｅｌｅｃｔｒｏｎｉｃｓ）、ＶＥＳＡローカルバス（ＶＬＢ）、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＡＧＰ（Ａｄｖａｎｃｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）、ＰＣＭＣＩＡ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ Ｍｅｍｏｒｙ Ｃａｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｓｓｏｃｉａｔｉｏｎ）バス、およびＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ Ｉｎｔｅｒｆａｃｅ）、が含まれるがそれらに限定されない。システムメモリ１０１６は、揮発性メモリ１０２０および不揮発性メモリ１０２２を含む。ＢＩＯＳ（ｂａｓｉｃ ｉｎｐｕｔ／ｏｕｔｐｕｔ ｓｙｓｔｅｍ）は、起動中等にコンピュータ１０１２内の要素間で情報を転送するための基本ルーチンを含有するもので、不揮発性メモリ１０２２に記憶される。限定ではなく例示として、不揮発性メモリ１０２２は、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＰＲＯＭ（プログラマブルＲＯＭ）、ＥＰＲＯＭ（消去可能ＰＲＯＭ）、ＥＥＰＲＯＭ（電気的消去可能ＰＲＯＭ）、または、フラッシュメモリ、を含む。揮発性メモリ１０２０は、外部キャッシュメモリとして動作する、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）を含む。限定ではなく例示として、ＲＡＭは、ＳＲＡＭ（同期ＲＡＭ）、ＤＲＡＭ（ダイナミックＲＡＭ）、ＳＤＲＡＭ（同期ＤＲＡＭ）、ＤＤＲ ＳＤＲＡＭ（ダブルデータレートＳＤＲＡＭ）、ＥＳＤＲＡＭ（エンハンストＳＤＲＡＭ）、ＳＬＤＲＡＭ（同期リンクＤＲＡＭ）、およびＲＤＲＡＭ（ラムバスダイナミックＲＡＭ）等の多数の形式で利用可能である。

コンピュータ１０１２はまた、着脱可能／着脱不可能、揮発性／不揮発性のコンピュータ記憶媒体を含む。図１０は、例えば、ディスク記憶装置１０２４を例示する。ディスク記憶装置１０２４は、磁気ディスクドライブ、フロッピーディスクドライブ、テープドライブ、Ｊａｚドライブ、Ｚｉｐドライブ、ＬＳ−１００ドライブ、フラッシュメモリカード、または、メモリスティック等の装置を含むが、これに限定されない。加えて、ディスク記憶装置１０２４は、別個に、または、ＣＤ−ＲＯＭ（ｃｏｍｐａｃｔ ｄｉｓｋ ＲＯＭ装置）、ＣＤ−Ｒ（ＣＤ ｒｅｃｏｒｄａｂｌｅ）ドライブ、ＣＤ−ＲＷ（ＣＤ ｒｅｗｒｉｔａｂｌｅ）ドライブ、または、ＤＶＤ−ＲＯＭ（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ ＲＯＭ）ドライブ等の、光ディスクドライブを含むがこれに限定されない他の記憶媒体と組合せて、記憶媒体を含むことができる。例えば、ＤＶＤ−ＲＯＭドライブを、ＤＶＤから映像の読み込みに関連して採用することが可能である。ディスク記憶装置１０２４のシステムバス１０１８への接続を容易にするため、インターフェース１０２６等の、着脱可能または着脱不可能のインターフェースを一般的には使用する。

図１０が、ユーザと適切な動作環境１０１０で記述する基本コンピュータリソースとの間の媒介として動作するソフトウェアを説明することを理解されたい。そのようなソフトウェアには、オペレーティングシステム１０２８が含まれる。オペレーティングシステム１０２８は、ディスク記憶装置１０２４に記憶するもので、コンピュータシステム１０１２のリソースを制御および割り当てるために動作する。システムアプリケーション１０３０は、システムメモリ１０１６内またはディスク記憶装置１０２４上に記憶するプログラムモジュール１０３２およびプログラムデータ１０３４を介した、オペレーティングシステム１０２８によるリソースの管理を活用する。標記発明が、種々のオペレーティングシステムまたはオペレーティングシステムの組合せを用いて実装可能であることを理解されたい。

ユーザは、入力デバイス１０３６を介して、コマンドまたは情報をコンピュータ１０１２に入力する。入力デバイス１０３６は、マウス、トラックボール、スタイラスペン、タッチパッド、タッチスクリーン、ステアリングホイールボタン、キーボード、マイク、ジョイスティック、ゲームパッド、パラボラアンテナ、テレビチューナカード、デジタルカメラ、デジタルビデオカメラ、ウェブカメラ、リモート制御等のポインティングデバイスを含むが、これらに限定されない。これらおよび他の入力デバイスは、インターフェースポート１０３８を介してシステムバス１０１８を通ってプロセシングユニット１０１４に接続する。インターフェースポート１０３８には、例えば、シリアルポート、パラレルポート、ゲームポート、およびＵＳＢ（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ）を含む。出力デバイス１０４０は、入力デバイス１０３６と同じタイプのいくつかのポートを使用する。従って、例えば、ＵＳＢポートを使用して、入力をコンピュータ１０１２に提供し、コンピュータ１０１２からの情報を出力デバイス１０４０へ出力できる。出力アダプタ１０４２を、特定のアダプタを必要とする他の出力デバイス１０４０の中に、モニタ、インダッシュディスプレイ、スピーカ、およびプリンタ等のいくつかの出力デバイス１０４０が存在することを例示するために提示する。出力アダプタ１０４２には、限定ではなく例示として、出力デバイス１０４０とシステムバス１０１８との間の接続手段を提供するビデオカードおよびサウンドカードを含む。なお、他のデバイスおよび／またはデバイスのシステムは、リモートコンピュータ１０４４等の、入力および出力両方の能力を提供する。

コンピュータ１０１２は、リモートコンピュータ１０４４等の１つまたは複数のリモートコンピュータへの論理接続を使用して、ネットワーク環境内で作動することが可能である。リモートコンピュータ１０４４は、パーソナルコンピュータ、サーバ、ルータ、ネットワークＰＣ、ワークステーション、マイクロプロセッサベースのアプリケーション、ピアデバイスまたは他の一般のネットワークノード等であってもよく、一般的には、コンピュータ１０１２に関して記載した要素の多くまたは全てを含む。簡潔にする目的で、メモリ記憶装置１０４６のみをコンピュータ１０４４内に例示する。リモートコンピュータ１０４４は、ネットワークインターフェース１０４８を介して論理的に、そして通信接続１０５０を介して物理的に、コンピュータ１０１２に接続する。ネットワークインターフェース１０４８は、ローカルエリアネットワーク（ＬＡＮ）およびワイドエリアネットワーク（ＷＡＮ）等の通信ネットワークを包含する。ＦＤＤＩ（Ｆｉｂｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ（光ファイバー分散データインタフェース）、ＣＤＤＩ（Ｃｏｐｐｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ）、イーサネット／ＩＥＥＥ８０２．３、無線ＬＡＮ（例えば、８０２．１１およびワイマックス）、トークンリング／ＩＥＥＥ８０２．５等が含まれる。ＷＡＮ技術には、ポイントツーポイント接続、ＩＳＤＮ（Ｉｎｔｅｇｒａｔｅｄ Ｓｅｒｖｉｃｅｓ Ｄｉｇｉｔａｌ Ｎｅｔｗｏｒｋ（総合デジタル通信網））およびその上の異なるもの等の回路交換ネットワーク、パケット交換ネットワーク、ならびに、ＤＳＬ（Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ（デジタル加入者回線））を含むがこれらに限定されない。

通信接続１０５０は、ネットワークインターフェース１０４８をバス１０１８に接続するために採用するハードウェア／ソフトウェアを参照する。コンピュータ１０１２内部を明確に例示するために通信接続１０５０を示すが、コンピュータ１０１２の外部にあってもよい。ネットワークインターフェース１０４８への接続に必要なハードウェア／ソフトウェアは、例示の目的のみで、通常の電話回線用のモデム、ケーブルモデムおよびＤＳＬモデム、ＩＳＤＮアダプタ、ならびに、イーサネットカードを含むモデム等の、内部および外部の技術を含む。

図１１は、請求される主題が相互作用可能なサンプルのコンピュータ環境１１００の概略ブロック図である。システム１１００は、１つまたは複数のクライアント１１１０を含む。クライアント１１１０は、ハードウェアおよび／またはソフトウェア（例えば、スレッド、処理、コンピュータデバイス）であってもよい。またシステム１１００は、１つまたは複数のサーバ１１３０を含む。サーバ１１３０はまた、ハードウェアおよび／またはソフトウェア（例えば、スレッド、処理、コンピュータデバイス）であってもよい。サーバ１１３０は、例えば、請求される主題を採用することにより、変換を実行するスレッドを収容することが可能である。クライアント１１１０とサーバ１１３０との間の可能性のある通信は、２つまたはそれ以上のコンピュータ処理間で送信するよう適合された、データパケットの形式であってもよい。システム１１００は、クライアント１１１０とサーバ１１３０との間の通信を容易にするための通信フレームワーク１１５０を含む。クライアント１１１０は、クライアント１１１０にローカルな情報を記憶するために採用できる、１つまたは複数のクライアントデータストア１１６０に動作可能に接続する。同様に、サーバ１１３０は、サーバ１１３０にローカルな情報を記憶するために採用できる、１つまたは複数のサーバデータストア１１４０に動作可能に接続する。特定の一例において、サーバは、ネットワークを介してクライアントにアクセス可能な、センサ監視システムであってもよい。ユーザは、クライアントおよびネットワークを介して、サーバ内のセンサ監視システムからセンサまたはセンサデータの劣化に関する情報を受信することができる。

上記に記載されたことは、請求される主題の例を含む。もちろん、そのような主題を説明する目的で、全ての考え得るコンポーネントまたは方法の組み合わせを記載することは不可能である。しかし、当業者は、多くのさらなる組合せおよび置き換えが可能であることを認識することができる。従って、請求される主題は、添付の請求項の精神および範囲にある、全てのそのような代替、修正、および変更を包含することが意図されている。さらに、用語「含む」が、詳細な説明および請求項において使用される限りにおいて、用語「備える」と同様に、「備える」が請求項において移行語として採用するときに解釈するのと同様に、そのような用語が包括的であることが意図されている。

Claims (20)

1. 幹線フローシステムのセンサ性能を状況依存的に監視するためのシステムであって、以下のコンピュータ実行可能コンポーネント、すなわち、
   センサデータを複数のセンサから取得するセンサインターフェースコンポーネントと、
   少なくとも１つのデータソースから受信した状況的データを分析する状況分析コンポーネントであって、前記状況的データは前記センサデータに関連する、状況分析コンポーネントと、
   前記状況的データの分析に少なくとも部分的に基づき、どのセンサデータが劣化しているかを識別するセンサ分析コンポーネントと、
   前記劣化したセンサデータの識別に少なくとも部分的に基づき、出力されたセンサデータを提供する出力コンポーネントと
   であることを特徴とするシステム。
2. 前記複数のセンサが、異種であることを特徴とする請求項１に記載のシステム。
3. 前記出力されたセンサデータは、前記センサデータに少なくとも部分的に基づき、フィルタされて、前記劣化したセンサデータを除去するか、または、センサエラーモデルに従って前記センサデータを適切に使用することを特徴とする請求項１に記載のシステム。
4. 前記出力されたセンサデータが、前記センサデータの劣化を記述する確率論的機能を含むことを特徴とする請求項１に記載のシステム。
5. 機械学習を採用して、エラーモデルおよび／または故障モデルを含む、前記複数のセンサの出力を予測および／または解釈するために使用される少なくとも１つのモデルを構築する作成コンポーネントをさらに備えることを特徴とする請求項１に記載のシステム。
6. 劣化したセンサデータの機能としての警告を発する通知コンポーネントをさらに備えることを特徴とする請求項１に記載のシステム。
7. サブセットの前記複数のセンサの故障を予測するセンサ予測コンポーネントと、
   前記予測された故障の機能としての警告を生成する通知コンポーネントと
   をさらに備えることを特徴とする請求項１に記載のシステム。
8. 前記センサデータの分析に使用された前回のセンサデータを保持するセンサデータストアをさらに備えることを特徴とする請求項１に記載のシステム。
9. 前記センサ分析コンポーネントが、物理的に近接するセンサからのセンサデータに少なくとも部分的に基づき、前記センサデータ内の劣化を識別することを特徴とする請求項１に記載のシステム。
10. 前記センサ分析コンポーネントが、劣化したセンサデータの識別時に交通のフロー表現を利用することを特徴とする請求項１に記載のシステム。
11. 問題のあるセンサデータを識別するためのコンピュータに実行される方法であって、
    複数のセンサからセンサデータを取得するステップと、
    前記複数のセンサを有する少なくとも１つのデータソースから状況を分析するステップと、
    前記分析された状況に少なくとも部分的に基づき、疑わしいデータを識別するステップと
    を含むことを特徴とする方法。
12. 前記識別された疑わしいデータ、および、前記識別された疑わしいデータが正しくない確率を出力するステップをさらに含むことを特徴とする請求項１１に記載の方法。
13. 前記複数のセンサが、異種のセンサの組み合わせを含むことを特徴とする請求項１１に記載の方法。
14. 前記識別された疑わしいデータの機能として、前記複数のセンサの少なくとも１つの故障を予測するステップと、
    前記複数のセンサの少なくとも１つの前記予測された故障の機能としての通知を生成するステップと
    をさらに含むことを特徴とする請求項１１に記載の方法。
15. 特定の期間内における前記複数のセンサの少なくとも１つの故障の確率を予測するステップと、
    前記確率に基づき通知を生成するステップとをさらに含むことを特徴とする請求項１１に記載の方法。
16. 前記状況が、曜日、時刻、および／または、気象条件の少なくとも１つを含むことを特徴とする請求項１１に記載の方法。
17. 第１のデータソースの前記状況が、物理的に近接するデータソースから取得されたデータを含むことを特徴とする請求項１１に記載の方法。
18. 幹線フローシステムのセンサ性能を状況依存的に監視するためのシステムであって、以下のコンピュータ実行可能なコンポーネント、すなわち
    複数のセンサからセンサデータを受信する手段と、
    少なくとも１つのデータソースから受信される状況に少なくとも部分的に基づき、前記センサデータを分析する手段であって、前記状況は前記センサデータに関連する、手段と、
    前記センサデータの分析に少なくとも部分的に基づき、出力されたデータをフィルタリングする手段と
    を備えることを特徴とするシステム。
19. 前記センサデータの分析が、交通のフロー表現を利用することを特徴とする請求項１８に記載のシステム。
20. サブセットの前記複数のセンサの故障を予測する手段と、
    前記予測されたセンサの故障をユーザに通知する手段と
    をさらに備えることを特徴とする請求項１８に記載のシステム。

Images